1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Analisis Regresi adalah metode statistika yang digunakan untuk mengetahui hubungan antara variabel terikat dependen, respon,
� dengan satu atau lebih variabel bebas independen, prediktor,
�. Apabila banyaknya variabel bebas hanya ada satu maka disebut regresi linier sederhana, sedangkan apabila terdapat
lebih dari satu variabel bebas maka disebut sebagai regresi linier berganda.
Salah satu metode penduga parameter dalam regresi linier yang sering digunakan adalah metode kuadrat terkecil MKT atau ordinary least squares
OLS. Penggunaan metode ini membutuhkan beberapa asumsi klasik yang harus dipenuhi untuk menghasilkan penduga linier tidak bias terbaik atau best linier
unbiased estimator. Menurut Cahyawati dkk 2009 salah satu penyebab tidak terpenuhinya asumsi klasik tersebut adalah adanya pencilan outlier pada data
amatan.
Metode kuadrat terkecil tidak dapat digunakan jika asumsinya tidak terpenuhi oleh karena itu selanjutnya diperlukan alternatif metode penduga
parameter lain yang dapat mengatasi adanya pencilan dalam data amatan. Metode Robust dapat menjadi alternatif pilihan untuk menghasilkan model yang lebih baik
dari hasil metode kuadrat terkecil berdasarkan kriteria mean square error MSE bagi masing-masing model.
Menurut Chen 2002 regresi robust merupakan alat yang penting untuk menganalisis data yang terkontaminasi oleh pencilan. Regresi robust digunakan
untuk mendeteksi pencilan dan memberikan hasil terhadap adanya pencilan. Regresi robust terdiri dari 5 metode penduga, yaitu penduga-M, penduga-least
2
median of square LMS, penduga least trimmed squares LTS, penduga-S dan penduga-MM. Dari ke-5 metode di atas, Penulis akan berfokus pada metode
estimasi parameter dengan menggunakan metode penduga robust least trimmed square LTS dan penduga-S, di mana kedua metode ini memiliki nilai breakdown
point yang tinggi yaitu hampir 50 Rousseeuw, 1987.
Berdasarkan uraian di atas maka penulis memilih judul tugas akhir
“Perbandingan Metode Least Trimmed Squares dan Penduga-S dalam
Mengatasi Data Pencilan dengan Simulasi Data” .
1.2 Perumusan Masalah